CN103296682A - 一种多时空尺度渐进趋优的负荷调度模式设计方法 - Google Patents

Abstract

本发明提供一种多时空尺度渐进趋优的电力负荷调度模式设计方法，包括以下步骤：提取可调度负荷多时间尺度的响应特征；设计基于负荷代理的分层负荷调度模式；设计多时空尺度渐进趋优的电力负荷调度模式。本发明提出的多时空尺度渐进趋优的电力负荷调度模式设计方法通过在日前、日内、实时等多个时间尺度上配置负荷侧资源并促进负荷侧资源同发电侧机组一起参与电网调度运行，有利于提高电力设备的利用率，促进日负荷曲线逐步趋于平滑，减小系统峰谷差，在促进大规模可再生能源的消纳方面也很有潜力。

Description

一种多时空尺度渐进趋优的负荷调度模式设计方法

技术领域

本发明属于智能电网电力系统调度运行控制领域，具体涉及一种多时空尺度渐进趋优的负荷调度模式设计方法。

背景技术

从各国电力负荷统计数据来看，95%以上的高峰负荷年累计持续时间只有几十个小时，采用增加调峰发电装机的方法来满足这部分高峰负荷很不经济。另外，由于间歇式能源自身的波动性、反调峰性、低可调度性等“不友好”特点，其装机容量的快速增长增加了电网调度运行的难度，特别对电力系统调节能力提出新的重大挑战。

作为电力系统功率瞬时平衡的一方，常规可调负荷在维持电力系统经济、安全、可靠运行方面发挥了一定作用。近年来，具有与电网双向互动能力的电动汽车、储能、蓄能在负荷中的比重呈不断上升趋势。负荷侧通讯和信息交互支撑设施的完善，使得可调度负荷将能成为保持电力供需平衡的重要手段。

不同类型负荷的用电特性、能量耗散方式、响应特征和运行模式均不相同，在不同时间尺度上体现的可调可控性也不相同，如何将负荷侧资源纳入电网现有的调度体系中，经初步检索，暂未发现有与本发明内容相关的专利条目。

发明内容

为了克服上述现有技术的不足，本发明提供一种多时空尺度渐进趋优的负荷调度模式设计方法，通过调动更为广泛的负荷侧可调节和可控制资源，为电力系统提供更多调峰、备用等辅助服务。

为了实现上述发明目的，本发明采取如下技术方案：

提供一种多时空尺度渐进趋优的电力负荷调度模式设计方法，所述方法包括以下步骤：

步骤1：提取可调度负荷多时间尺度的响应特征；

步骤2：设计基于负荷代理的分层负荷调度模式；

步骤3：设计多时空尺度渐进趋优的电力负荷调度模式。

所述步骤1中，采集可调度负荷的用电信息，并对采集到的用电信息进行分析和评估，得到可调度负荷多时间尺度的响应特征。

所述用电信息包括居民用电信息、工业负荷用电信息、商业负荷用电信息和电动汽车用电信息；

所述响应特征包括用电时间、用电方式、负荷气候敏感系数、负荷电价敏感系数、可中断时间、可中断容量以及负荷控制方式，并依据负荷响应特征将其分为激励型负荷、电价型负荷和刚需型负荷。

所述步骤2包括以下步骤：

步骤2-1：将负荷调度系统分为本地响应层、响应协调层和调度控制层；

步骤2-2：确定各层之间的标准输入输出量；

步骤2-3：建立负荷代理决策模型。

所述步骤2-1中，所述本地响应层包括参与调度运行的负荷群或单个大用户，负荷群中的单个负荷接受并执行响应协调层的负荷代理下发的控制命令，同时将自身的相关信息上传给负荷代理；大用户接受并执行调度控制层的调度中心下发的控制命令，同时将自身的相关信息上传给调度控制层的调度中心；

所述负荷代理向调度控制层的调度中心上传所辖负荷群的整体可调度信息，同时对调度中心下发的调度指令进行分解和处理，并将处理结果转换为控制指令下发给所辖的负荷；

通过收集来自负荷代理提供的负荷可调度信息以及电源、电网侧的综合信息，调度控制层的调度中心制定电网运行的调度方案，并将调度方案分解为调度指令，下发给发电侧机组以及负荷代理。

所述步骤2-2中，调度控制层下发给响应协调层的标准输出量为调度需求信息及调度指令，所述调度需求信息包括负荷调度系统各时段的功率缺额、备用容量缺额和系统电价，所述调度指令包括各时间段负荷调节量、负荷调节开始时间和负荷调节持续时间；

所述响应协调层上传给调度控制层的标准输入量为该负荷代理管理的可调度负荷资源信息；所述可调度负荷资源信息包括可调节容量、调节开始时间、调节持续时间、调节成本、备用服务成本和调节速率；

所述响应协调层下发给本地响应层的标准输出量为调度指令；所述本地响应层上传给响应协调层的标准输入量为负荷自身的可调度信息，所述可调度信息包括可调节量、调节开始时间、调节持续时间、调节成本、备用服务成本和调节滞后时间。

所述步骤2-3中，基于学习决策函数和市场环境建立负荷代理决策模型：

所述学习决策函数表示为：

${\mathrm{\ΔQ}}_t(s,a)=\mathrm{\μ}\{r_t+\mathrm{\γ}\underset{a^{\′}}{\max }\[Q_t(s_{t+1},a^{\′})\]-Q_t(s,a)\}---\left(2\right)$

π(s)=arg max Q(s,a)   （3）

其中，s为环境状态；s_t为t时段的环境状态；s_t+1为t+1时段的环境状态；a为负荷代理的动作集；a_t为t时段负荷代理的动作；μ为学习率；r_t为t时段的奖赏；γ为未来报酬的贴现率，且满足0≤γ≤1；Q_t+1(s,a)为t+1时段，环境状态s下，执行动作a_t后的长期期望收益；Q_t(s,a)为t时段，环境状态s下，执行动作a_t后的长期期望收益；ΔQ_t(s,a)表示环境状态s下，执行动作a_t后长期期望收益的变化量；Q_t(s_t+1,a′)为t+1时段，环境状态s_t+1下，执行动作a′后的长期期望收益，当Q_t(s_t+1,a′)取得最大值

时，a′即为动作a_t；

环境状态-动作对应Q值构成Q值表，负荷代理根据Q值表及选择策略π(s)给出下一时段状态下的最佳动作，执行该动作将会使得负荷代理的选择策略逐步收敛于最优策略。

所述市场环境为学习决策函数中变量与市场环境中各因素的映射；

其中，环境状态映射电力系统电价，动作映射负荷代理报价曲线的斜率，奖赏映射负荷代理的目标，Q值映射负荷代理在当前状态下，某一动作所获得的多阶段的期望总收益。

所述步骤3包括以下步骤：

步骤3-1：建立负荷调度的日前调度模型；

日前调度模型如下：

$\min :\mathrm{Costf}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{\mathrm{Cost}}_{G,i}\left(t\right)+\underset{j=1}{\overset{N_{\mathrm{LdA}}}{\mathrm{\Σ}}}{\mathrm{Cost}}_{\mathrm{LdA},j}\left(t\right))---\left(4\right)$

且满足：

$\left\{\begin{array}{c}h\left(x\right)=0\\ \underset{\‾}{g}\≤g\left(x\right)\≤\stackrel{\‾}{g}\end{array}\right.---\left(5\right)$

其中，Costf为计及负荷调度的发用电总成本；T为电网调度的时段数；N_g为系统发电机的总数，N_LdA为参与调度运行的负荷代理数；Cost_G,i(t)为t时段发电机i的发电成本，Cost_LdA,j(t)为t时段负荷代理j的响应执行成本；h(x)＝0表示功率平衡等式约束，

表示日前调度模型需满足的不等式约束；

步骤3-2：对负荷调度计划进行滚动修订；

在日内以渐进趋优的方式对日前调度计划进行滚动修订，根据可调度发电资源信息、可调度负荷资源信息和负荷预测的滚动更新，日内每一时段都对剩余时段调度计划作出相应调整和修订，对需要修订的时段进行最优潮流计算，确定新的风电机组组合和备用计划；

步骤3-3：基于履约度进行负荷代理管理，包括履约度计算和奖励成本计算；

履约度表示为：

$D_{\mathrm{LdA},j}\left(t\right)=a_{j1}(1-\frac{\left|{\mathrm{\ΔT}}_j\left(t\right)\right|}{T_j\left(t\right)})+a_{j2}(1-\frac{\left|\mathrm{\Δ}{P}_{\mathrm{LdA},j}\left(t\right)\right|}{P_{\mathrm{LdA},j}\left(t\right)})---\left(6\right)$

其中，D_LdA,j(t)为负荷代理j在t时段的履约度，a_j1和a_j2分别为负荷代理j的时间履约系数和功率履约系数，

为负荷代理j在t时段的响应时间偏差，

为负荷代理j在t时段的响应功率偏差；

奖励成本是指在制定调度计划时，给予履约度较高的负荷代理以奖励，该奖励以负成本函数的方式计入代理的总成本中，从而减小负荷代理t的总成本，使其在优化调度过程中享有优惠；

奖励成本表示为：

C_LdA,j(t)=-κ_jD_LdA,j(t)   （7）

其中，C_LdA,j(t)为奖励成本，κ_j为奖励系数。

所述日前调度模型满足的约束条件包括功率平衡约束、发电机功率约束、负荷代理可调节容量约束、发电机爬坡率约束、负荷并网持续时间约束和系统备用约束；

1）所述功率平衡约束表示为：

P_G(t)+P_W(t)=P_load(t)；t=1,2,…,T   （8）

其中，P_G(t)为t时段机组出力总和，P_W(t)为t时段间歇能源出力总和，P_load(t)为t时段负荷总和；

2）发电机功率约束表示为：

$\underset{\‾}{P_{G,i}}\≤P_{G,i}\≤\stackrel{\‾}{P_{G,i}}---\left(9\right)$

其中，

和

分别为发电机i的出力下限和上限；

3）负荷代理可调节容量约束表示为：

$\underset{\‾}{P_{\mathrm{LdA},j}}\≤P_{\mathrm{LdA},j}\≤\stackrel{\‾}{P_{\mathrm{LdA},j}}---\left(10\right)$

其中，和

为负荷代理j的可调节容量的下限和上限；

4）发电机爬坡率约束表示为：

$-R_i\≤\frac{{\mathrm{\ΔP}}_{G,i}}{\mathrm{\Δt}}\≤R_i---\left(11\right)$

其中，R_i为发电机i出力变化的最大速率，ΔP_G,i为发电机i的出力变化量，Δt为所用时间；

5）负荷并网持续时间约束表示为：

T_Ld,nmin≤T_Ld,n≤T_Ld,nmax   （12）

其中，T_Ld,n为第n个负荷的并网持续时间，T_Ld,nmin为第n个负荷最小并网持续时间，T_Ld,nmax为第n个负荷最大并网持续时间；

6）系统备用约束表示为：

$\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{R}_{G,i}+\underset{j=1}{\overset{N_{\mathrm{LdA}}}{\mathrm{\Σ}}}{R}_{\mathrm{LdA},j}>{\mathrm{Reserve}}_{\mathrm{need}}---\left(13\right)$

其中，N_g为系统中发电机的个数，R_G,i为第i台发电机提供的旋转备用；N_LdA为参与调度运行的负荷代理数，R_LdA,j为第j个负荷代理提供的可调节容量；Reserve_need为系统所需备用容量。

与现有技术相比，本发明的有益效果在于：本发明提出的多时空尺度渐进趋优的电力负荷调度模式设计方法通过在日前、日内、实时等多个时间尺度上配置负荷侧资源并促进负荷侧资源同发电侧机组一起参与电网调度运行，有利于提高电力设备的利用率，促进日负荷曲线逐步趋于平滑，减小系统峰谷差，在促进大规模可再生能源的消纳方面也很有潜力。

附图说明

图1是本发明实施例中对应不能时间尺度的电力负荷调度模式示意图；

图2是本发明实施例中基于多个负荷代理的分层负荷调度模式示意图；

图3是本发明实施例中负荷调度计划滚动修订流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1，提供一种多时空尺度渐进趋优的电力负荷调度模式设计方法，所述方法包括以下步骤：

步骤1：提取可调度负荷多时间尺度的响应特征；

步骤2：设计基于负荷代理的分层负荷调度模式；

步骤3：设计多时空尺度渐进趋优的电力负荷调度模式。

所述步骤1中，采集可调度负荷的用电信息，并对采集到的用电信息进行分析和评估，得到可调度负荷多时间尺度的响应特征。

所述用电信息包括居民用电信息（居民负荷中的空调、热水器和洗碗机等用电信息）、工业负荷用电信息、商业负荷用电信息和电动汽车用电信息；

所述响应特征包括用电时间、用电方式、负荷气候敏感系数、负荷电价敏感系数、可中断时间、可中断容量以及负荷控制方式，并依据负荷响应特征将其分为激励型负荷、电价型负荷和刚需型负荷。

设计基于负荷代理的分层负荷调度模式；需求侧用户个体通常具有分散性，并且规模较小，分散调度控制对系统来说成本太高，控制太过复杂，而通过需求侧代理，将分散用户信息集中封装，便于调度控制。多代理对外只表现出负荷群的综合外特性，例如该负荷群整体的可调度容量、容量成本、持续时间等；而对内则协调系统侧调度信息和负荷群内部响应资源，做出针对某一优化目标的最优决策，并向用户发送调用指令。

所述步骤2包括以下步骤：

步骤2-1：将负荷调度系统分为本地响应层、响应协调层和调度控制层；

步骤2-2：确定各层之间的标准输入输出量；

步骤2-3：建立负荷代理决策模型。

所述步骤2-1中，所述本地响应层包括参与调度运行的负荷群或单个大用户，负荷群中的单个负荷接受并执行响应协调层的负荷代理下发的控制命令，同时将自身的相关信息上传给负荷代理；大用户接受并执行调度控制层的调度中心下发的控制命令，同时将自身的相关信息上传给调度控制层的调度中心；

所述负荷代理向调度控制层的调度中心上传所辖负荷群的整体可调度信息，同时对调度中心下发的调度指令进行分解和处理，并将处理结果转换为控制指令下发给所辖的负荷；

通过收集来自负荷代理提供的负荷可调度信息以及电源、电网侧的综合信息，调度控制层的调度中心制定电网运行的调度方案，并将调度方案分解为调度指令，下发给发电侧机组以及负荷代理。

所述步骤2-2中，调度控制层下发给响应协调层的标准输出量为调度需求信息及调度指令，所述调度需求信息包括负荷调度系统各时段的功率缺额、备用容量缺额和系统电价，所述调度指令包括各时间段负荷调节量、负荷调节开始时间和负荷调节持续时间；

所述响应协调层上传给调度控制层的标准输入量为该负荷代理管理的可调度负荷资源信息；所述可调度负荷资源信息包括可调节容量、调节开始时间、调节持续时间、调节成本、备用服务成本和调节速率；

所述响应协调层下发给本地响应层的标准输出量为调度指令；所述本地响应层上传给响应协调层的标准输入量为负荷自身的可调度信息，所述可调度信息包括可调节量、调节开始时间、调节持续时间、调节成本、备用服务成本和调节滞后时间。

所述步骤2-3中，基于学习决策函数和市场环境建立负荷代理决策模型：

所述学习决策函数表示为：

${\mathrm{\ΔQ}}_t(s,a)=\mathrm{\μ}\{r_t+\mathrm{\γ}\underset{a^{\′}}{\max }\[Q_t(s_{t+1},a^{\′})\]-Q_t(s,a)\}---\left(2\right)$

π(s)=arg max Q(s,a)   （3）

其中，s为环境状态；s_t为t时段的环境状态；s_t+1为t+1时段的环境状态；a为负荷代理的动作集；a_t为t时段负荷代理的动作；μ为学习率；r_t为t时段的奖赏；γ为未来报酬的贴现率，且满足0≤γ≤1；Q_t+1(s,a)为t+1时段，环境状态s下，执行动作a_t后的长期期望收益；Q_t(s,a)为t时段，环境状态s下，执行动作a_t后的长期期望收益；ΔQ_t(s,a)表示环境状态s下，执行动作a_t后长期期望收益的变化量；Q_t(s_t+1,a′)为t+1时段，环境状态s_t+1下，执行动作a′后的长期期望收益，当Q_t(s_t+1,a′)取得最大值

时，a′即为动作a_t；

环境状态-动作对应Q值构成Q值表，负荷代理根据Q值表及选择策略π(s)给出下一时段状态下的最佳动作，执行该动作将会使得负荷代理的选择策略逐步收敛于最优策略。

所述市场环境为学习决策函数中变量与市场环境中各因素的映射；

市场环境为学习决策函数中变量与市场环境中各因素的映射；

1)环境状态映射电力系统电价，其状态空间为S_i＝{s₁,s₂…s_n}，且满足市场电价上下约束

n为状态数。

2)动作映射负荷代理报价曲线的斜率：其行动空间，即报价斜率所构成的空间为A_i＝{a₁,a₂…a_n}，斜率范围为(0,a_max]，其中

β为负荷代理报价曲线截距，M为负荷代理容量。

3)奖赏映射负荷代理的目标，可由为负荷代理的即时收益。

4)Q值映射负荷代理在当前状态下，某一动作所获得的多阶段的期望总收益。

与各层的标准输入输出接口的标准输入输出量与上文描述的响应协调层下发给本地响应层的标准输出量和本地响应层上传给响应协调层的标准输入量一致。

所述步骤3包括以下步骤：

步骤3-1：建立负荷调度的日前调度模型；

日前调度模型如下：

$\min :\mathrm{Costf}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{\mathrm{Cost}}_{G,i}\left(t\right)+\underset{j=1}{\overset{N_{\mathrm{LdA}}}{\mathrm{\Σ}}}{\mathrm{Cost}}_{\mathrm{LdA},j}\left(t\right))---\left(4\right)$

且满足：

$\left\{\begin{array}{c}h\left(x\right)=0\\ \underset{\‾}{g}\≤g\left(x\right)\≤\stackrel{\‾}{g}\end{array}\right.---\left(5\right)$

其中，Costf为计及负荷调度的发用电总成本；T为电网调度的时段数；N_g为系统发电机的总数，N_LdA为参与调度运行的负荷代理数；Cost_G,i(t)为t时段发电机i的发电成本，Cost_LdA,j(t)为t时段负荷代理j的响应执行成本；h(x)＝0表示功率平衡等式约束，

表示日前调度模型需满足的不等式约束；

步骤3-2：对负荷调度计划进行滚动修订；

如图3，在日内以渐进趋优的方式对日前调度计划进行滚动修订，根据可调度发电资源信息、可调度负荷资源信息和负荷预测的滚动更新，日内每一时段都对剩余时段调度计划作出相应调整和修订，对需要修订的时段进行最优潮流计算，确定新的风电机组组合和备用计划；

步骤3-3：基于履约度进行负荷代理管理，包括履约度计算和奖励成本计算；

履约度表示为：

$D_{\mathrm{LdA},j}\left(t\right)=a_{j1}(1-\frac{\left|{\mathrm{\ΔT}}_j\left(t\right)\right|}{T_j\left(t\right)})+a_{j2}(1-\frac{\left|\mathrm{\Δ}{P}_{\mathrm{LdA},j}\left(t\right)\right|}{P_{\mathrm{LdA},j}\left(t\right)})---\left(6\right)$

其中，D_LdA,j(t)为负荷代理j在t时段的履约度，a_j1和a_j2分别为负荷代理j的时间履约系数和功率履约系数，

为负荷代理j在t时段的响应时间偏差，

为负荷代理j在t时段的响应功率偏差；

奖励成本是指在制定调度计划时，给予履约度较高的负荷代理以奖励，该奖励以负成本函数的方式计入代理的总成本中，从而减小负荷代理t的总成本，使其在优化调度过程中享有优惠；

奖励成本表示为：

C_LdA,j(t)=-κ_jD_LdA,j(t)   （7）

其中，C_LdA,j(t)为奖励成本，κ_j为奖励系数。

所述日前调度模型满足的约束条件包括功率平衡约束、发电机功率约束、负荷代理可调节容量约束、发电机爬坡率约束、负荷并网持续时间约束和系统备用约束；

1）所述功率平衡约束表示为：

P_G(t)+P_W(t)=P_load(t)；t=1,2,…,T   （8）

其中，P_G(t)为t时段机组出力总和，P_W(t)为t时段间歇能源出力总和，P_load(t)为t时段负荷总和；

2）发电机功率约束表示为：

$\underset{\‾}{P_{G,i}}\≤P_{G,i}\≤\stackrel{\‾}{P_{G,i}}---\left(9\right)$

其中，

和

分别为发电机i的出力下限和上限；

3）负荷代理可调节容量约束表示为：

$\underset{\‾}{P_{\mathrm{LdA},j}}\≤P_{\mathrm{LdA},j}\≤\stackrel{\‾}{P_{\mathrm{LdA},j}}---\left(10\right)$

其中，

和

为负荷代理j的可调节容量的下限和上限；

4）发电机爬坡率约束表示为：

$-R_i\≤\frac{{\mathrm{\ΔP}}_{G,i}}{\mathrm{\Δt}}\≤R_i---\left(11\right)$

其中，R_i为发电机i出力变化的最大速率，ΔP_G,i为发电机i的出力变化量，Δt为所用时间；

5）负荷并网持续时间约束表示为：

T_Ld,nmin≤T_Ld,n≤T_Ld,nmax   （12）

其中，T_Ld,n为第n个负荷的并网持续时间，T_Ld,nmin为第n个负荷最小并网持续时间，T_Ld,nmax为第n个负荷最大并网持续时间；

6）系统备用约束表示为：

$\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{R}_{G,i}+\underset{j=1}{\overset{N_{\mathrm{LdA}}}{\mathrm{\Σ}}}{R}_{\mathrm{LdA},j}>{\mathrm{Reserve}}_{\mathrm{need}}---\left(13\right)$

其中，N_g为系统中发电机的个数，R_G,i为第i台发电机提供的旋转备用；N_LdA为参与调度运行的负荷代理数，R_LdA,j为第j个负荷代理提供的可调节容量；Reserve_need为系统所需备用容量。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种多时空尺度渐进趋优的电力负荷调度模式设计方法，其特征在于：所述方法包括以下步骤：

步骤1：提取可调度负荷多时间尺度的响应特征；

步骤2：设计基于负荷代理的分层负荷调度模式；

步骤3：设计多时空尺度渐进趋优的电力负荷调度模式。

2.根据权利要求1所述的多时空尺度渐进趋优的电力负荷调度模式设计方法，其特征在于：所述步骤1中，采集可调度负荷的用电信息，并对采集到的用电信息进行分析和评估，得到可调度负荷多时间尺度的响应特征。

3.根据权利要求2所述的多时空尺度渐进趋优的电力负荷调度模式设计方法，其特征在于：所述用电信息包括居民用电信息、工业负荷用电信息、商业负荷用电信息和电动汽车用电信息；

所述响应特征包括用电时间、用电方式、负荷气候敏感系数、负荷电价敏感系数、可中断时间、可中断容量以及负荷控制方式，并依据负荷响应特征将其分为激励型负荷、电价型负荷和刚需型负荷。

4.根据权利要求1所述的多时空尺度渐进趋优的电力负荷调度模式设计方法，其特征在于：所述步骤2包括以下步骤：

步骤2-1：将负荷调度系统分为本地响应层、响应协调层和调度控制层；

步骤2-2：确定各层之间的标准输入输出量；

步骤2-3：建立负荷代理决策模型。

5.根据权利要求4所述的多时空尺度渐进趋优的电力负荷调度模式设计方法，其特征在于：所述步骤2-1中，所述本地响应层包括参与调度运行的负荷群或单个大用户，负荷群中的单个负荷接受并执行响应协调层的负荷代理下发的控制命令，同时将自身的相关信息上传给负荷代理；大用户接受并执行调度控制层的调度中心下发的控制命令，同时将自身的相关信息上传给调度控制层的调度中心；

所述负荷代理向调度控制层的调度中心上传所辖负荷群的整体可调度信息，同时对调度中心下发的调度指令进行分解和处理，并将处理结果转换为控制指令下发给所辖的负荷；

通过收集来自负荷代理提供的负荷可调度信息以及电源、电网侧的综合信息，调度控制层的调度中心制定电网运行的调度方案，并将调度方案分解为调度指令，下发给发电侧机组以及负荷代理。

6.根据权利要求4所述的多时空尺度渐进趋优的电力负荷调度模式设计方法，其特征在于：所述步骤2-2中，调度控制层下发给响应协调层的标准输出量为调度需求信息及调度指令，所述调度需求信息包括负荷调度系统各时段的功率缺额、备用容量缺额和系统电价，所述调度指令包括各时间段负荷调节量、负荷调节开始时间和负荷调节持续时间；

所述响应协调层上传给调度控制层的标准输入量为该负荷代理管理的可调度负荷资源信息；所述可调度负荷资源信息包括可调节容量、调节开始时间、调节持续时间、调节成本、备用服务成本和调节速率；

所述响应协调层下发给本地响应层的标准输出量为调度指令；所述本地响应层上传给响应协调层的标准输入量为负荷自身的可调度信息，所述可调度信息包括可调节量、调节开始时间、调节持续时间、调节成本、备用服务成本和调节滞后时间。

7.根据权利要求4所述的多时空尺度渐进趋优的电力负荷调度模式设计方法，其特征在于：所述步骤2-3中，基于学习决策函数和市场环境建立负荷代理决策模型；

所述学习决策函数表示为：

${\mathrm{\ΔQ}}_t(s,a)=\mathrm{\μ}\{r_t+\mathrm{\γ}\underset{a^{\′}}{\max }\[Q_t(s_{t+1},a^{\′})\]-Q_t(s,a)\}---\left(2\right)$

π(s)=arg max Q(s,a)   （3）

其中，s为环境状态；s_t为t时段的环境状态；s_t+1为t+1时段的环境状态；a为负荷代理的动作集；a_t为t时段负荷代理的动作；μ为学习率；r_t为t时段的奖赏；γ为未来报酬的贴现率，且满足0≤γ≤1；Q_t+1(s,a)为t+1时段，环境状态s下，执行动作a_t后的长期期望收益；Q_t(s,a)为t时段，环境状态s下，执行动作a_t后的长期期望收益；ΔQ_t(s,a)表示环境状态s下，执行动作a_t后长期期望收益的变化量；Q_t(s_t+1,a′)为t+1时段，环境状态s_t+1下，执行动作a′后的长期期望收益，当Q_t(s_t+1,a′)取得最大值

时，a′即为动作a_t；

环境状态-动作对应Q值构成Q值表，负荷代理根据Q值表及选择策略π(s)给出下一时段状态下的最佳动作，执行该动作将会使得负荷代理的选择策略逐步收敛于最优策略。

所述市场环境为学习决策函数中变量与市场环境中各因素的映射；

其中，环境状态映射电力系统电价，动作映射负荷代理报价曲线的斜率，奖赏映射负荷代理的目标，Q值映射负荷代理在当前状态下，某一动作所获得的多阶段的期望总收益。

8.根据权利要求1所述的多时空尺度渐进趋优的电力负荷调度模式设计方法，其特征在于：所述步骤3包括以下步骤：

步骤3-1：建立负荷调度的日前调度模型；

日前调度模型如下：

$\min :\mathrm{Costf}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{\mathrm{Cost}}_{G,i}\left(t\right)+\underset{j=1}{\overset{N_{\mathrm{LdA}}}{\mathrm{\Σ}}}{\mathrm{Cost}}_{\mathrm{LdA},j}\left(t\right))---\left(4\right)$

且满足：

$\left\{\begin{array}{c}h\left(x\right)=0\\ \underset{\‾}{g}\≤g\left(x\right)\≤\stackrel{\‾}{g}\end{array}\right.---\left(5\right)$

其中，Costf为计及负荷调度的发用电总成本；T为电网调度的时段数；N_g为系统发电机的总数，N_LdA为参与调度运行的负荷代理数；Cost_G,i(t)为t时段发电机i的发电成本，Cost_LdA,j(t)为t时段负荷代理j的响应执行成本；h(x)＝0表示功率平衡等式约束，

表示日前调度模型需满足的不等式约束；

步骤3-2：对负荷调度计划进行滚动修订；

在日内以渐进趋优的方式对日前调度计划进行滚动修订，根据可调度发电资源信息、可调度负荷资源信息和负荷预测的滚动更新，日内每一时段都对剩余时段调度计划作出相应调整和修订，对需要修订的时段进行最优潮流计算，确定新的风电机组组合和备用计划；

步骤3-3：基于履约度进行负荷代理管理，包括履约度计算和奖励成本计算；

履约度表示为：

$D_{\mathrm{LdA},j}\left(t\right)=a_{j1}(1-\frac{\left|{\mathrm{\ΔT}}_j\left(t\right)\right|}{T_j\left(t\right)})+a_{j2}(1-\frac{\left|\mathrm{\Δ}{P}_{\mathrm{LdA},j}\left(t\right)\right|}{P_{\mathrm{LdA},j}\left(t\right)})---\left(6\right)$

其中，D_LdA,j(t)为负荷代理j在t时段的履约度，a_j1和a_j2分别为负荷代理j的时间履约系数和功率履约系数，

为负荷代理j在t时段的响应时间偏差，为负荷代理j在t时段的响应功率偏差；

奖励成本是指在制定调度计划时，给予履约度较高的负荷代理以奖励，该奖励以负成本函数的方式计入代理的总成本中，从而减小负荷代理t的总成本，使其在优化调度过程中享有优惠；

奖励成本表示为：

C_LdA,j(t)=-κ_jD_LdA,j(t)   （7）

其中，C_LdA,j(t)为奖励成本，κ_j为奖励系数。

9.根据权利要求8所述的多时空尺度渐进趋优的电力负荷调度模式设计方法，其特征在于：所述日前调度模型满足的约束条件包括功率平衡约束、发电机功率约束、负荷代理可调节容量约束、发电机爬坡率约束、负荷并网持续时间约束和系统备用约束；

1）所述功率平衡约束表示为：

P_G(t)+P_W(t)=P_load(t)；t=1,2,…,T   （8）

其中，P_G(t)为t时段机组出力总和，P_W(t)为t时段间歇能源出力总和，P_load(t)为t时段负荷总和；

2）发电机功率约束表示为：

$\underset{\‾}{P_{G,i}}\≤P_{G,i}\≤\stackrel{\‾}{P_{G,i}}---\left(9\right)$

其中，

和

分别为发电机i的出力下限和上限；

3）负荷代理可调节容量约束表示为：

$\underset{\‾}{P_{\mathrm{LdA},j}}\≤P_{\mathrm{LdA},j}\≤\stackrel{\‾}{P_{\mathrm{LdA},j}}---\left(10\right)$

其中，

和

为负荷代理j的可调节容量的下限和上限；

4）发电机爬坡率约束表示为：

$-R_i\≤\frac{{\mathrm{\ΔP}}_{G,i}}{\mathrm{\Δt}}\≤R_i---\left(11\right)$

其中，R_i为发电机i出力变化的最大速率，ΔP_G,i为发电机i的出力变化量，Δt为所用时间；

5）负荷并网持续时间约束表示为：

T_Ld,nmin≤T_Ld,n≤T_Ld,nmax   （12）

其中，T_Ld,n为第n个负荷的并网持续时间，T_Ld,nmin为第n个负荷最小并网持续时间，T_Ld,nmax为第n个负荷最大并网持续时间；

6）系统备用约束表示为：

$\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{R}_{G,i}+\underset{j=1}{\overset{N_{\mathrm{LdA}}}{\mathrm{\Σ}}}{R}_{\mathrm{LdA},j}>{\mathrm{Reserve}}_{\mathrm{need}}---\left(13\right)$

其中，N_g为系统中发电机的个数，R_G,i为第i台发电机提供的旋转备用；N_LdA为参与调度运行的负荷代理数，R_LdA,j为第j个负荷代理提供的可调节容量；Reserve_need为系统所需备用容量。

Images